Riprendiamo il discorso dell’Osservatorio sul rischio del gennaio 2023, che esortava a cambiare rotta con un focus molto preciso su che cosa concretamente serve perché l’Europa ritorni ad avere quella legittima supremazia di pensiero e di scoperte in grado di farla crescere e avanzare rispetto a Usa e Cina.

I fattori di indebolimento socio-economico, l’estenuante conflitto di logoramento tra Russia e Ucraina, i flussi migratori dei profughi, il tema inflativo, una crescita sui tassi di interesse sempre meno favorevole, la difficoltà ad applicare gli accordi sull’energia, la demografia calante e altre tematiche complesse aprono questo anno di grandi trasformazioni. Nonostante tale complessità, esiste ugualmente una forte possibilità di svolta a condizione di forti ripensamenti sulle metodologie decisionali e di processo. 

Facendo alcuni esempi, non esaustivi del tema, ma verticali in alcuni settori che impattano però l’ecosistema europeo rispetto alla sua forza economica, prendiamo il comparto automobilistico. In questo segmento, il tema dell’energia pulita è stato affrontato a partire dalla fine del processo, vietando la produzione di auto a gasolio e dando via libera alle auto elettriche, senza avere la rete di distribuzione, ma, prima ancora, senza avere la produzione di energia pulita a monte. I veicoli a batteria costano di più, la linea produttiva è altamente inquinante, lo smaltimento neppure a parlarne e le assicurazioni delle auto elettriche sono più care; il tutto in piena inflazione e in un quadro macroeconomico rallentato e dominato dall’incertezza. In un settore che continua a subire una forte contrazione, occorre ripensare il processo dall’inizio o si corrono rischi di execution molto seri, anche se la vision è più che giusta.

Problemi NP-completi 

In questo contesto, le decisioni, i processi decisionali, in un mondo Vuca (volatility, uncertainty, complexity and ambiguity) e Tuna (turbulent, uncertain, novel  and ambiguous), sono sempre più complessi, si allontanano sempre di più da soluzioni deterministiche e lineari, facendo aumentare il rischio. Matematicamente parlando, sono problemi di tipo Np-completi, per i quali si tratta di trovare soluzioni accettabili, seppure non disponendo di un processo risolutivo, algoritmicamente prestabilito. Dal punto di vista matematico, è un problema di ottimizzazione, e nella realtà anche, dato che non c’è una singola soluzione inequivocabile, ma un insieme di combinazioni di parametri più o meno ottimali. Trovare queste combinazioni necessita di un’intelligenza artificiale (AI) fornita, sia di notevole potenza di calcolo, sia di “intelligenza”. 

per la sopravvivenza

In pratica, occorre disporre di una AI non più pensata per dovere competere con le performance umane per sopraffarle e ottenere un “wow effect”, bensì di un’Ia concepita per la sopravvivenza, come l’esclusiva intelligenza artificiale sviluppata da Kelony® detta biomimetica proprio perché ispirata alla natura, dove si trovano le migliori strategie di sopravvivenza, in grado di ottimizzare le poche risorse a disposizione. Nello sviluppo di queste soluzioni innovative, è fondamentale tanto la programmazione finalizzata in modalità biomimetica, quanto la matematica utilizzata come base degli algoritmi utilizzati.

Questo processo si declina in una serie di servizi in base alle esigenze concrete e risponde a domande precise: occorre prevedere quando investire in determinate azioni, ottimizzare l’allocazione di risorse, quando lanciare un prodotto, quanta CO2 verrà emessa, come ottimizzare l’allocazione di risorse sempre più limitate, come risparmiare energia, come ridurre i costi o sviluppare strategie, bisogna fissare gli obiettivi e anticipare i potenziali rischi o le opportunità. Ecco perché sviluppare soluzioni avanzate di intelligenza artificiale che possano aiutare il processo decisionale è essenziale per il bene dell’umanità; il cervello è razionale ma la mente non lo è, ha quindi bisogno di strumenti di misura.

Attenzione, però, che misurare è diverso da “stimare”. Quindi occorre fare molta attenzione nella scelta dello strumento. Infatti, l’intelligenza artificiale non è tutta uguale. Scegliere quella sbagliata dà problemi di metodo, di etica e soprattutto di risultato. Ciò accade perché gli strumenti esistenti si rifanno perlopiù a elaborazioni computazionali potenti, ad esempio quelle di machine learning, ma, essendo limitate all’analisi statistica, danno risultati fuorvianti. Possono riprodurre più velocemente e in modo più potente solo ciò che è già accaduto in passato, risultato insensato nel nostro mondo fatto di rivoluzioni permanenti e che ci espone sempre più a situazioni non statisticamente documentate perché senza precedenti. Basarsi sui dati del passato, anche se con notevole potenza di calcolo, espone a seri problemi e svantaggi concreti che portano a prevedere ciò che è già accaduto. Inoltre i dati storici non sono sempre disponibili e quelli disponibili sono spesso inquinati o sporchi.

continua a leggere